基于SVM树型多分类的蜂窝通信系统中节点定位算法研究

sophie0love — Tue, 09 Nov 2021 16:53:28 GMT

Current Revision posted to Documents by sophie0love on 11/9/2021 4:53:28 PM

蜂窝通信系统由大量的能量、计算能力、存储能力及通信能力受限的移动台节点组成。蜂窝通信系统希望能在广泛的应用领域内实现复杂的大范围监测和追踪任务，而移动台节点定位是相关应用的基础。因此，蜂窝通信系统中节点定位算法受到了广泛的关注。现有的节点定位算法有一部分不适用于蜂窝通信系统，而适用的节点定位算法都比较传统，且不同程度地存在不足，尤其是在代价、复杂度、额外带宽占用与定位效果方面。但是在传统的技术基础之上，在如Ad-Hoc等自由分布的网络系统方面，一种综合性的分布式的定位方式已经出现，这为属于固定分布网络的蜂窝通信系统提供了一种可行的定位策略。构成无线网络的分布式定位方式的两个关键算法是用于重叠区域粗略定位的全局坐标算法和将节点相对于每个重叠区域本地的局部坐标系统进行定位的局部坐标算法。本文在对现有无线网络定位技术研究的基础之上，有针对性的分析当前几种机器学习经典算法，寻找应用于蜂窝通信系统的分布式定位全局坐标算法的全新解决方案。提出了一种基于机器学习的蜂窝通信系统节点定位算法，充当分布式定位全局坐标算法。该算法适用于由未配备任何定位功能硬件与GPS功能设备的移动台与基站构成的蜂窝通信系统网络，且仅在基站节点位置已知和两节点间的信号连通信息等条件下完成全局坐标算法定位的功能。本文说明了基于机器学习的蜂窝通信系统定位算法的基本思想，并详细介绍了支持向量机树型分类机器学习算法的选定，定位算法的设计以及优化和优化后的定位效果。此外，本文于最后一章通过研究定位结果与应用特点对基于机器学习的蜂窝通信系统定位算法的性能进行了总体分析。通过原理分析与仿真证明：基于机器学习的定位算法在定位效果方面解决了困扰传统定位算法的边界问题与集中洞问题；其总体性能在定位的平均误差，标准偏差和分布式定位正确率以及实现代价几个方面均优于传统的基于信号参数的定位算法；算法的复杂度与带宽占用方面的考察结果也较合理。本文对于机器学习用于节点定位的研究仅仅是一个开端。相信这种新思路会有一定的研究前景。

Attachments:

community.element14.com/.../_FA578E4E_SVM_11688B571A5906527B7C847602879D7A1A90E14FFB7CDF7E2D4E8282B9709A5B4D4F977BD56C1478767A_.pdf

基于SVM树型多分类的蜂窝通信系统中节点定位算法研究.pdf

Tags: Design Resources